基于最优光谱指数的大豆叶片叶绿素含量反演模型研究

叶绿素含量的准确获取及预测可为作物种植的精准化管理提供理论依据。利用最优光谱指数建立大豆叶绿素含量反演模型,以大豆花芽分化期叶片为研究对象,获取高光谱和叶绿素含量数据。首先构建了7种与叶绿素含量相关的典型光谱指数,分别为比值指数（RI）、差值指数（DI）、归一化差值植被指数（NDVI）、修正简单比值指数（mSR）、修正归一化差值指数（mNDI）、土壤调节植被指数（SAVI）和三角形植被指数（TVI）,并对原始高光谱进行一阶微分（FD）处理,随后分别对原始和一阶微分高光谱在全光谱波长范围内两两组合所有波长,进行14个光谱指数的计算。再采用相关矩阵法进行最优光谱指数的提取,将所有波长组合计算出的光谱指数与叶绿素含量进行相关性分析,以相关系数最大值为指标,提取出14组最优的波长组合,并进行对应光谱指数值的计算作为最优光谱指数。最后将最优光谱指数划分为3组模型输入变量,分别与偏最小二乘回归（PLS）、最小二乘支持向量机回归（LSSVM）和套索算法LASSO回归3种方法组合建模并对比分析,以决定系数R2_c,R2_p和均方根误差RMSEC,RMSEP作为模型评价指标,最终优选出精度最高的大豆叶片绿素含量反演模型。结果表明：14组最优光谱指数波长组合分别为RI（728,727）,DI（735,732）,NDVI（728,727）,mSR（728,727）,mNDI（728,727）,SAVI（728,727）,TVI（1 007,708）,FDRI（727,708）,FDDI（727,788）,FDNDVI（726,705）,FDmSR（726,705）,FDmNDI（726,705）,FDSAVI（727,788）和FDTVI（760,698）,相关系数最大值r_max均大于0.8。建立最优模型的方法为输入变量为一阶微分光谱指数（组合2）与LSSVM组合的建模方法,所建模型的R2_c=0.751 8,R2_p=0.836 0,RMSEC=1.361 2,RMSEP=1.220 4,表明模型精度较高,可为大面积监测大豆的生长状态提供参考。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

冬小麦生长期光谱变化特征与叶绿素含量监测研究

在分析冬小麦生长期冠层反射光谱和叶绿素含量变化特征的基础上,对二者之间的相关性进行了研究。表明从小麦拔节期开始,冠层反射光谱在可见光区(400～750 nm)的反射率先降低而后升高,以孕穗期反射率最低;在近红外区(750～1 000 nm)冠层反射率由拔节期至孕穗期反射率降低,然后开始上升。扬花期上升至最高点后又开始下降,直至乳熟期降至最低。冬小麦冠层反射率与叶绿素含量相关分析结果表明,冬小麦拔节期和孕穗期二者呈正相关,扬花期二者呈负相关;整个生长期中,孕穗期可见光区552 nm处反射率与叶绿素含量相关系数最大达0.89。依据冬小麦生长期冠层反射光谱红边拐点位置,分别建立了拔节期叶绿素含量线性检测模型(R2=0.92)和孕穗期二项式模型(R2=0.91),用于冬小麦叶绿素含量的无损检测是可行的。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

铜胁迫下玉米叶片反射光谱的红边位置变化及其与叶绿素的关系

采用5级梯度铜胁迫砂培试验,通过测定叶片反射光谱曲线和叶绿素含量,研究铜胁迫对玉米叶片反射光谱与叶绿素含量的影响。研究表明：玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关(R2≥0.5755),且存在明显的“红边蓝移”现象,即叶片光谱红边位置向短波方向移动。随着铜胁迫浓度的升高或胁迫时间延长,红边蓝移程度增加。不同胁迫浓度之间,叶绿素a、叶绿素b含量及二者比值 (Chla/Chlb)均差异显著(p分别为0.002,0.007和0.001)。叶绿素a、b比值(Chla/Chlb)与培养液中铜浓度呈显著负相关(R=-0.898);Chla/Chlb与平均红边波长显著正相关(R=0.814)。这表明随着铜胁迫浓度升高,Chla/Chlb降低,叶绿素b相对于叶绿素a升高,叶片反射光谱的红边位置蓝移。铜胁迫改变了玉米叶片中Chla和Chlb含量和比值,由此导致的色素吸收光谱变化,是铜胁迫导致叶片反射光谱红边蓝移的可能的生理学成因。     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

不同微肥处理下油菜产量与高光谱反射率关系分析

油菜是我国第一大国产植物油来源,大田生产中需要施加适量的微肥以提高产量和品质。筛选出一种可提高油菜产量的微肥配方需要经过复杂的大田统计和产量测定,因此构建出能快速筛选微肥的模型十分重要。以高油酸油菜“帆鸣1号”为试验材料,使用地物波谱仪测定了不同微肥条件下全生育期的光谱反射率,并用乙醇提取法准确测定叶绿素含量。将光谱反射率、叶绿素含量和最终产量性状两两间进行相关性分析。产量测定表明,施加微肥可以提高油菜产量和蕾薹期时叶绿素的含量,使单株产量最高提高2%。光谱参数与叶绿素相关性分析表明,蕾薹期时叶绿素含量与光谱参数550和720 nm相关性较高,表明蕾薹期光谱参数可用于预测产量进而筛选出能提高油菜产量的微肥。叶绿素含量和产量相关性分析表明,蕾薹期时,叶绿素含量与产量相关性较高。光谱参数与产量相关分析表明,550和720 nm的光谱反射率与产量之间均呈显著负相关性。光谱参数与产量相关分析表明,550和720 nm的反射率与产量之间均呈显著负相关性。综合分析施肥量、光谱参数、产量和叶绿素变化可知,蕾薹时光谱参数550和720 nm与产量相关系数模拟的线性方程可用于微肥的筛选,线性方程分别为y=-32.362x+33.097,y=4.069 5x+35.386,y=28.849x+23.735,y=-19.023x+31.005,y=12.447x+24.586,R2均大于0.6。综合分析施肥量、光谱参数、产量和叶绿素变化,油菜生长至蕾薹期时光谱参数550和720 nm与产量相关系数模拟的线性方程R2≥0.6时的微肥配比可以使产量提升。本研究结果表明,蕾薹期光谱参数可用于预测产量进而筛选出能提高油菜产量的微肥,可增加样本量进一步检测相关性并开展后续验证。鉴于地物波谱检测技术具有过程高效,不使用化学试剂,无需对样本进行破坏性取样,成本低,该模型的建立对开展大规模高油酸油菜微肥配方的快速筛选具有重要意义,为筛选油菜微肥和促进油菜产量研究提供了理论基础。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品，在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱；使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R），倒数（1/R），对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性，在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量，基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD），决定系数（R2），均方根误差（RMSE）和最小信息准则（ACI）评价模型精度，从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高，所有样品中SOM含量均小于2％，且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228），而通过R，1/R，lgR，计算的NPDIs与As含量的相关性在近红外（NIR，780~1 100 nm）和短波红外（SWIR，1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001），在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）}，NPDI_{1/R（799/953，825/947）}、NPDI_{sqrt-R（1 023/1 257，1 008/1 249，1 021/1 250，1 020/1 247）}和NPDI_{lgR（801/953，811/953，817/951，825/947，828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出，Model-a（R）与其他三个模型（Model-b（1/R），Model-c（）和Model-d（lgR））相比，它具有最高的验证系数（R2=0.831，RMSE=4.912 μg·g-1，RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量，为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考，促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化

叶绿素是反映绿色植被健康状态的重要生理参数,虫害胁迫下叶绿素与叶光谱的变化机制较为复杂,深入剖析二者关系对于虫害检测有重要意义。以福建省南平市顺昌县为试验区,测定不同受害情景下毛竹叶叶绿素含量(SPAD)与叶光谱,采用Pearson相关法筛选叶光谱特征指标,建立叶SPAD的多元线性回归、岭回归、随机森林与XGBoost估测模型。通过比较光谱特征指标筛选结果及模型估测效果,分析刚竹毒蛾胁迫下毛竹叶绿素与叶光谱特征的关系及其变化。结果表明：(1)随着虫害程度上升,毛竹叶SPAD呈下降趋势;(2)较之于未受害状态,刚竹毒蛾胁迫下毛竹叶光谱特征发生明显变化,“绿峰”和“红谷”趋于消失,“红边”斜率减小,近红外波长反射率降低;(3)基于全样本拟合叶SPAD的最优光谱特征指标为VOG₂,R₅₁₅/R₅₇₀, CI_red, PRI与NDVI₇₀₅,最佳估测模型为多元线性回归模型(R²=0.753 7, RMSE=3.015 0);(4)基于不同受害程度样本拟合毛竹叶SP...     

马铃薯冠层光谱响应特征参数优化与生长期判别

快速判别马铃薯作物的生长进程是指导田间关键生长期科学水肥管理的重要依据。研究在马铃薯发棵期（M1）、块茎形成期（M2）、块茎膨大期（M3）和淀粉积累期（M4）四个关键生长期,利用ASD便携式光谱仪采集80个样本区的314组作物冠层反射率数据,并同步采集叶片测定叶绿素含量。在光谱数据预处理后,分析了马铃薯不同生长期的光谱反射率变化特征,并初步选取了光谱“峰谷”响应参数,提出了一种基于方差分析与变量减少组合的光谱参数筛选算法（variance analysis combined with variable reduction,VACVR）用于明确光谱学响应的优化指标,采用Kennard-Stone(K-S)法划分样本集,最终基于支持向量机（support vector machine,SVM）方法建立马铃薯关键生长期判别模型。针对光谱数据,首先使用变量标准化(standard normalized variable,SNV)进行光谱预处理,在定性分析了随着生长期的推进马铃薯冠层反射特征的变化趋势的基础上,基于作物生长期动态光谱学响应与峰谷特性选取14个参数,包括：8个位置参数、2个面积参数、4个植被指数参数。采用K-S算法将样本按照3∶1划分为训练集（240个样本）和测试集（74个样本）。分析马铃薯不同生长期冠层反射光谱发现,随生长期的推进冠层光谱存在差异性：即在400~500和740~880 nm范围内,光谱反射率呈降低趋势;在530~640和910~960 nm范围内,反射率呈升高趋势;在530~640 nm范围内,M2和M3生长期的平均光谱非常接近,M4生长期的平均光谱与其他三个生长期的差别较大。叶绿素平均含量随生长期的进程,从M1（28.12 mg·L-1）到M2（31.04 mg·L-1）增加,在M2生长期达到最大值,之后M3（22.00 mg·L-1）和M4（15.36 mg·L-1）依次减少。光谱响应参数随着生长期的进程,绿峰位置L_g和红谷位置L_r逐渐红移,红边位置L_re逐渐蓝移;蓝边面积A_be逐渐增大,红边面积A_re逐渐减小;红边面积与蓝边面积比值依次呈现减小趋势。根据VACVR算法筛选10个敏感光谱响应参数,建立SVM判别模型,训练集判别率为100%,测试集判别率为94.59%,该模型可在判别马铃薯的生长期的基础上为田间管理决策提供支持。     

玉米生长期叶片叶绿素含量检测研究

分析了在正常、偏低、偏高等不同施氮水平下,玉米生长期冠层反射光谱与叶绿素含量的相关关系,结果表明玉米叶绿素含量检测的敏感期为拔节期和喇叭口期.正常施氮水平下玉米冠层光谱反射率与叶绿素含量相关关系高于其他施氮水平,即r正常>r偏高>r偏低.整个生长期由苗期开始二者相关系数绝对值满足先上升后下降,于开花吐丝期达最低后回升的趋势,其中玉米拔节期和灌浆期冠层反射光谱与叶绿素含量呈正相关.选取558,667,714和912 nm,分别对玉米拔节期和喇叭口期建立了MLR和PLSR检测模型,经比较,虽然PLSR模型复相关系数较MLR模型有所降低,但模型鲁棒性得到增强.分析拔节期和喇叭口期各种植被指数与叶绿素含量的相关关系,表明DVI优于其他指数,且拔节期DVI与叶绿素含量呈二项式相关,喇叭口期二者呈指数相关.     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索.但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道.本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、...     

植被叶片叶绿素含量反演的光谱尺度效应研究

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中,考虑到不同传感器的光谱响应存在差异,研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据,并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据,再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、对叶片叶绿素含量变化及对波段宽变化的敏感性。最后,利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。结果表明,通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高,反演值与真实值拟合程度最好;归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次,虽然其决定系数R2高达0.89以上,但反演的叶绿素含量值小于真实值;其他光谱指数的反演结果较差。VIUPD对叶绿素含量具有较好的相关性和敏感性,受光谱尺度效应影响较小,具有较好的反演能力,这一结论恰好验证了其“独立于传感器”的特性,同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。     

基于连续小波变换的地下天然气微泄漏点识别模型

天然气作为一种清洁、高效的低碳能源，消费占比日益增大。无论是地下输气管道还是储气库，由于管道腐蚀、老化、自然灾害，地下断层、注入井封存不好等因素，都会导致天然气泄漏。从安全、经济、环境等方面考虑，开展地下天然气管道和储气库微泄漏检测是十分必要的。利用高光谱遥感监测地表植被变化而间接探测天然气微泄漏点，通过野外可控系统模拟地下储存天然气微泄漏实验，以冬小麦为研究对象，采集了9期小麦冠层光谱数据，通过光谱分析探寻胁迫小麦光谱特征并构建指数识别模型。首先对小麦冠层光谱进行奇异值剔除和平滑处理，对连续统去除之后的冠层光谱进行连续小波变换，选用Mexihat母小波，在尺度参数为32时，小波系数有较少的峰值和谷值，能与原始光谱拟合较好，且小麦多期数据其峰值和谷值位置都比较稳定。受胁迫和健康小麦的原始光谱可分性较差，但小波系数在487，550和770 nm处受胁迫与健康小麦样本可分性较优，且具有明显的诊断性特征：(1）受胁迫和健康小麦的小波系数在487 nm处为“吸收谷”，其小波系数值为负值，健康小麦小波系数值大于受胁迫小麦的；(2）受胁迫和健康小麦的小波系数在550和770 nm处，有明显的“反射峰”，且受胁迫小麦的小波系数值较大。为更好突出差异性，增强受胁迫和健康小麦的小波系数差异特征，构建了CWT_mexh（CWT_mexh=CW2₇₇₀/(1-CW₄₈₇)·CW₅₅₀）指数用于胁迫与健康小麦的识别；然后分别与NDVI₇₀₅，mNDVI₇₀₅，ARI1，R₄₄₀/R₇₄₀，D₇₂₅/D₇₀₂指数进行对比分析，经J-M距离定量检验，结果显示CWT_mexh指数对天然气微泄漏胁迫下的冬小麦具有较好的识别效果，该指数在天然气胁迫发生20 d后可以稳定区分胁迫和健康两类小麦，且在全生育期都保持相同的规律，而NDVI₇₀₅，mNDVI₇₀₅，ARI1等指数在整个生育期内无法准确识别健康与胁迫小麦。CWT_mexh指数在稳定性、普适性与可识别性方面优于其他5个指数。因此，高光谱遥感监测地表植被间接识别天然气微泄漏点具有可行性，研究结果可为星载高光谱遥感监测地下储存天然气泄漏点提供理论依据和技术支持。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

基于优化面积光谱指数的玉米叶片叶绿素值估测

综合使用光谱技术对作物养分进行实时、有效诊断,有助于作物的精准管理、保障产量和减少环境污染,提高肥料利用率,并且为定量估测作物生化组分状况提供了一种新的途径.光谱指数是进行作物叶片叶绿素实时估测的重要指标,然而由于受到环境条件及内在生化成分的影响,估测结果不尽满意.为了进一步提高光谱指数在估测作物叶片叶绿素含量时的抗干...